QUIERO SIMULAR UN PROCESO ¿POR DONDE EMPIEZO? (PARTE 1)

Por: Juan Carlos Vergara Schmalbach

Material Original (En prensa)

Para aprender modelación y simulación de procesos es necesario cumplir ciertos requisitos:

1. Conocer en detalle el sistema y/o el problema a solucionar a través de la simulación. Es importante comprender el problema en todos sus detalles o características (o por lo menos, conocer aquellas personas expertas en el sistema a tratar), para así dimensionar: su alcance, los datos requeridos, los comportamientos de las variables, las locaciones y recursos involucrados, los flujos de materiales e información, las posibles interrelaciones, los posteriores análisis y los resultados esperados.

2. Analizar el comportamiento del sistema y enmarcarlo en un tipo de modelo que mejor podría interpretarlo: estocástico (posee variables aleatorias adaptadas al comportamiento de una distribución de probabilidad) o determinístico, continuo o discretos. Más adelante comentaremos cada uno de estos apartes.

3. Seleccionar un software de simulación que permita modelar, de mejor manera, las características del sistema. Esta selección dependerá también del alcance del sistema, el modelo de simulación elegido, la información que se desea recopilar y el énfasis en el análisis del comportamiento del mismo (si se desea verificar las relaciones entre variables, validar un modelo propuesto o proponer escenarios futuros).  Se recomienda contar con personal con experiencia en el manejo del software antes de proceder a realizar el modelado del sistema.

Por ejemplo, Promodel es un software ideal para simular modelos estocásticos y eventos discretos. Por otro lado, Stella o I THink, son software empleados en la simulación de sistemas continuos y modelos estocásticos. HpSim se emplea para la simulación de sistemas, tanto determinísticos como estocástico, con preferencia en sistemas que funcionan con eventos discretos.

4. Contar con la información suficiente para modelar, y posteriormente, simular el sistema. Antes de proceder en la intervención del sistema, se debe tener la seguridad de contar con la información suficiente o poder acceder a las fuentes de datos, ya sea a través de documentos secundarios , o a través de fuentes primarias (por ejemplo, la observación, experimento, entre otros).

GENERACIÓN DE NÚMEROS ALEATORIOS

Materia Original (Borrador y apartes del libro de SIMULACIÓN de Juan Carlos Vergara Schmalbach)

INTRODUCCIÓN

Un aspecto importante en la simulación de modelos estocásticos es la generación de números aleatorios (o RNG por  Random Number Generator) de calidad, fuente de datos necesaria para recrear condiciones de incertidumbre dentro de los modelos generados[1], y que por lo general, requieren de un procedimiento que involucra una serie de interacciones independientes de forma repetitiva (KNUTH, 1998). Cuando uno o más elementos de un modelo son estocásticos, las salidas del modelo serán también estocásticas, necesitando alguna forma de análisis estadísticos para llegar a unas conclusiones válidas (CARSON, 2004, pág. 2). Toda simulación estocástica gira alrededor de los generadores de números aleatorios, los cuales constituyen una serie de datos independientes, de acuerdo a una distribución de probabilidad, siendo vital contar con muy buenos generadores (KELTON, 2007, pág. 41).

El empleo de los números aleatorios en aplicaciones informáticas es muy diverso, con usos adicionales, no solo en la simulación de modelos estocástico, sino además, en el desarrollo de algoritmos para la encriptación de datos convirtiendo un texto normal en un texto cifrado (HABIBIZAD, HASHEMI, & MIRMOTAHARI, 2008, pág. 209), e inclusive, como test médicos a pacientes que presentan problemas o desordenes mentales (MATSUKAWA, NAGASHIMA, KAMEI, & TANABE, 2006) y para entender el funcionamiento de la memoria humana (TOWSE & VALENTINE, 2007).

REFERENCIAS

CARSON, J. S. (2004). Introduction to modeling ans simulation. Proceedings of the 2004 Winter Simulation Conference (p. 9). Estados Unidos: Brooks Automation.

HABIBIZAD, A., HASHEMI, Y., & MIRMOTAHARI, O. (2008). Introducing a platform for Encryption Algorithms. Proceedings of World Academy of Science: Engineering & Technology, 28(1), 208-210.

KELTON, W. D. (2007). Representing and Generating Uncertainty Effectively. Proceedings of the 2007 Winter Simulation Conference (pp. 38-42). Cincinnati: Department of Quantitative Analysis and Operations Management.

KNUTH, D. (1998). The Art of Computer Programming (Vol. Tercera Edición). Estados Unidos: Addison-Wesley, Reading, MA.

MATSUKAWA, Y., NAGASHIMA, M., KAMEI, S., & TANABE, E. (2006). Random number generation evaluation in patients with systemic lupus erythematosus indicates a heterogeneous nature of central nervous system vulnerability. Scandinavian Journal of Rheumatology, 35, 295-299.

TOWSE, J. N., & VALENTINE, J. D. (2007). Random number generation and working memory. European Journal of Cognitive Psychology, 19(3), 374-394.

---

[1] Generados por fuentes físicas o métodos matemáticos